晚播条件下基于高光谱的小麦叶面积指数估算方法

第55卷㊀第5期河南农业大学学报Vol.55㊀No.52021年㊀㊀10月Journal of Henan Agricultural UniversityOct.㊀2021收稿日期:2021-03-27基金项目:河南省小麦产业技术体系项目(S2010-01-G04);河南省高等学校重点科研项目(21A210015);国家重点研发计划课题(2016YFD0300205)作者简介:熊淑萍(1976 ),女,河南南阳人,教授,博士,主要从事信息技术与智慧农业研究㊂通信作者:马新明(1963 ),男,河南许昌人,教授,博士生导师㊂引用:熊淑萍,丁绍强,郭建彪,等.基于高光谱遥感的小麦子粒谷氨酰胺合成酶活性估算研究[J].河南农业大学学报,2021,55(5):821-829.DOI :10.16445/ki.1000-2340.20210714.003基于高光谱遥感的小麦子粒谷氨酰胺合成酶活性估算研究熊淑萍,丁绍强,郭建彪,张志勇,徐赛俊,樊泽华,穆彦玲,马新明(河南农业大学农学院,河南郑州450002)摘要:为利用高光谱遥感技术快速㊁无损㊁准确估算小麦子粒中谷氨酰胺合成酶(GS )活性,设置不同小麦品种和氮肥处理组合大田试验,以小麦花后10和20d 子粒中GS 酶活性为研究对象,同时测定相应时期小麦冠层的高光谱特征,通过一阶导数㊁二阶导数和多元散射校正3种方法,对小麦冠层原始光谱进行预处理,分析原始光谱㊁一阶导数㊁二阶导数和多元散射校正与小麦子粒GS 活性的相关性,并以此为输入,利用偏最小二乘回归㊁支持向量机回归和BP 人工神经网络3种方法,构建了小麦子粒GS 活性的高光谱遥感估算模型,运用决定系数(R 2)和均方根误差(RMSE )对模型进行评价㊂结果表明,经微分(一阶导数㊁二阶导数)预处理后小麦冠层光谱与小麦子粒GS 活性的相关性优于原始光谱和多元散射校正,其所构建的估算模型精度明显高于原始光谱和多元散射校正,尤以基于一阶导数光谱的偏最小二乘法估算模型表现最好,其模型建模集的R 2和RMSE 分别为0.942,0.0254,验证集的R 2和RMSE 分别为0.755,0.0340,具有良好的估算精度和应用潜力㊂关键词:小麦;谷氨酰胺合成酶活性;高光谱;预处理;模型中图分类号:S512.1㊀㊀㊀㊀㊀㊀㊀文献标志码:A文章编号:1000-2340(2021)05-0821-09Estimation of glutamine synthetase activity in wheat grainbased on hyperspectral remote sensingXIONG Shuping,DING Shaoqiang,GUO Jianbiao,ZHANG Zhiyong,XU Saijun,FAN Zehua,MU Yanling,MA Xinming(College of Agronomy,Henan Agricultural University,Zhengzhou 450002,China)Abstract :In order to rapidly,nondestructively and accurately estimate the activity of glutamic syn-thase in wheat grains by using hyperspectral remote sensing technology,a field experiment was set with different wheat varieties and nitrogen fertilizer combinations.The GS activity in wheat grains on 10dand 20d after anthesis was taken as the research object,and the hyperspectral characteristics of wheat canopies of the corresponding period were measured at the same time.Three methods,first derivative,second derivative and multiple scattering correction,were used to pretreat the original spectra of wheatcanopies.By analyzing the correlation between the original spectrum,the first derivative,the secondderivative and the multiple scattering correction and the GS activity of wheat grains,a hyperspectral re-mote sensing estimation model of the GS activity of wheat grains was constructed by using three model building methods,the partial least squares regression,support vector machine regression and BP artifi-822㊀河㊀南㊀农㊀业㊀大㊀学㊀学㊀报第55卷cial neural network.The determination coefficient(R2)and root mean square error(RMSE)were used to evaluate the model.The results showed that the correlation between wheat canopy spectra and GS activity after differential(first derivative,second derivative)pretreatment was better than that of the original spectrum and multiple scattering correction,and the accuracy of the estimation model was significantly higher than that of the original spectrum and the multiple scattering correction.Especially, the partial least squares estimation model based on the first derivative spectrum performed the best. The R2and RMSE of the modeling set was0.942and0.0254,respectively,and the R2and RMSE of the verification set was0.755and0.0340,respectively,indicating that the model has good estimation accuracy and application potential.Key words:wheat;glutamine synthetase activity;hyperspectral;pretreatment;model㊀㊀小麦是主要的粮食作物,在保障粮食安全中具有重要地位㊂氮代谢是作物的关键生理过程,对作物的产量和品质形成会造成显著影响㊂小麦氮代谢受谷氨酰胺合成酶(glutamine synthetase,GS)㊁硝酸还原酶(nitrate reductase,NR)和谷丙转氨酶(glutamate pyruvate transaminase,GPT)等多种酶的调控[1-3]㊂其中,GS酶是小麦氮代谢的关键酶,无论是直接来源于硝酸盐㊁氨离子㊁氮固定,或是植物代谢中间释放出的氮,均必须经过GS酶催化作用,其催化谷氨酰胺形成谷氨酸㊂越来越多的研究表明,GS酶能够控制植物生长与产量[1,4]㊂因此, GS酶活性已成为小麦氮素营养监测与诊断的一个重要指标㊂传统的GS酶活性测定主要是化学方法㊂化学方法不仅需要对样本进行离体采样,还需要对样本进行冷冻和研磨等复杂的预处理,测定的过程中还要用到EDTA和β-巯基乙醇等化学试剂,这样做没有连续性,也需要投入大量的人力物力,同时用到的各种化学药品容易对环境产生污染㊂因此,寻找到一种无损㊁快捷地测定小麦植株中GS活性的方法是势在必行的㊂高光谱遥感技术具有分辨率高㊁波段范围窄㊁连续性强㊁光谱信息量大等特征㊂近年来,被广泛地应用在农业㊁园艺㊁林业等各个方面[5-7]㊂目前,国内外学者已经利用高光谱技术对植物体内含物估算㊂GASTON等[8]发现,多元散射矫正能够提高蘑菇多酚氧化酶高光谱估测模型的准确性㊂YANG等[9]发现,利用模糊神经网络对光谱数据和图像特征进行加权组合的方法,实现了对荔枝果皮中多酚氧化酶活性较为准确的估测㊂SHRESTHA 等[10]通过研究得出高光谱遥感技术可以取代化学方法检测苹果中多酚氧化酶的活性㊂谢传奇等[11]通过研究灰霉病胁迫下茄子叶片过氧化氢酶活性的高光谱图像,认为可以利用高光谱图像有效区分茄子的灰霉病病害程度㊂方慧等[5]将高光谱技术和化学计量学方法结合,构建了基于连续投影和偏最小二乘法的番茄叶片过氧化氢酶模型,具有良好的预测效果㊂胡耀华等[12]基于X-LW-PLSR的模型,利用高光谱技术实现了对马铃薯晚疫病的无损检测㊂程帆等[13]利用近红外高光谱实现了对细菌性角斑病早期胁迫下的黄瓜叶片中所含的过氧化物酶估算,发现高光谱遥感技术可以为植物病害的早期无损诊断提供参考意见㊂可见,利用高光谱遥感技术对植物体内酶活性等生理生化过程进行估算已成为新的研究趋势㊂基于小麦子粒GS酶对小麦产量与品质的重要作用,本研究通过对不同氮处理下不同小麦品种子粒GS酶活性㊁冠层高光谱遥感特征的测定,利用一阶导数(first derivative,FD)㊁二阶导数(second deri-vative,SD)和多元散射校正(multiplicative scattercorrection,MSC)等光谱预处理方法和偏最小二乘回归(partial least squares regression,PLSR)㊁BP人工神经网络(BP neural network,BPNN)和支持向量机回归(support vector machine regression, SVMR)等模型构建方法,构建不同的小麦子粒GS 酶活性高光谱遥感估算模型,以期筛选最优的光谱预处理和建模方法组合,从而为小麦GS酶活性的实时㊁无损精确监测提供技术支撑㊂1㊀材料与方法1.1㊀试验设计试验于2018 2020年在河南农业大学原阳科教园区进行㊂试验小区为裂区设计,以施氮水平为主区,品种是副区,设3次重复㊂试验共设了4个氮水平,分别为N0(0kg㊃hm-2)㊁N8(120kg㊃hm-2)㊁N15(225kg㊃hm-2)和N22(330kg㊃hm-2);供试小麦品种有4个,分别为郑麦103㊁扬第5期熊淑萍,等:基于高光谱遥感的小麦子粒谷氨酰胺合成酶活性估算研究823㊀麦15㊁郑麦369和西农979㊂N8,N15和N22氮肥基追比分别为72ʒ48kg㊃hm-2,135ʒ90kg㊃hm-2和198ʒ132kg㊃hm-2,基肥在播种前施入,追肥在拔节期施入,磷和钾肥于播种时作为基肥一次性施入㊂播种量为157.5kg㊃hm-2,其他栽培管理措施同一般高产田㊂1.2㊀测定项目和方法1.2.1㊀小麦冠层光谱测定㊀在花后10d和花后20d进行测定㊂使用美国分析光谱仪器公司(analytical spectral devices,ASD)生产的ASD Field Spec野外便携式高光谱仪测定㊂该仪器能在光谱波段范围350~2500nm,连续测量光谱,采样间隔为1nm,视场角是25ʎ,应选择在晴朗无风天气进行测定,测定时间大约为北京时间10:00 14:00㊂测量时,光谱仪传感器探头垂直向下,距离冠层垂直高度约1m㊂每个小区内选定3处位置,将10个光谱作为1个采样间隔,每次记录10个光谱,去除异常值,以剩余光谱反射平均值作为该处的冠层光谱反射值,测量过程间及时用标准白板校正(标准白板反射率为1,这样能够使测得的目标样本光谱为量纲一的相对反射率)㊂1.2.2㊀小麦子粒GS活性测定㊀在花后10d和花后20d进行光谱测定后,在光谱测定区随机选取具有代表性小麦10株,带回实验室,剥出子粒进行小麦子粒GS酶活性的测定,测定方法按照文献[14]进行㊂1.3㊀模型构建方法与数据分析1.3.1㊀光谱数据处理方法㊀高光谱曲线存在有高频噪声㊁基线漂移㊁样本分布不均匀㊁光线散射等环境和仪器的影响,光谱数据中具有大量的噪声信息㊂本研究在进行光谱分析时,为排除其他干扰波段,统一选择敏感性较高的400~1000nm为有效分析数据㊂同时,为了提高有效信噪比,保证建立模型的有效和稳健性,本研究采用多元散射校正[15],一阶导数[16],二阶导数[16]3种预处理方法对小麦冠层光谱进行处理㊂1.3.2㊀模型构建和检验方法㊀利用偏最小二乘回归[17]㊁BP人工神经网络[18]和支持向量机回归[19]3种方法分别构建模型㊂在每个模型构建完成之后,利用检验集数据对所构建的回归估算模型的精度进行检验,利用决定系数(R2)与均方根误差(RMSE)作为评价指标对其进行评估㊂其中,R2越大,RMSE越小,说明模型估算性能越好㊂R2=1-ðn i=1(y i-y^i)2/ðn i=1(y i-y-i)2RMSE=[ðn i=1(y^i-y i)2]式中:n表示样本总个数;y^i是第i个样品的模型预测值;y i是第i个样品的实测值;y-是样本实测值的平均值㊂2㊀结果与分析2.1㊀小麦子粒GS活性的变化特征图1表明,在花后10d和花后20d,不同品种和氮肥处理下小麦子粒GS活性存在较大差异㊂各品种小麦子粒GS活性均随施氮量的增加而增大,不同品种同一氮处理间花后10d时期小麦子粒GS活性大于花后20d时期的子粒GS活性㊂图1㊀不同小麦品种子粒GS酶活性随氮处理的变化特征Fig.1㊀Variation characteristics of GS synthetase activities in grains of differentwheat varieties with nitrogen treatment824㊀河㊀南㊀农㊀业㊀大㊀学㊀学㊀报第55卷2.2㊀不同氮肥处理下小麦冠层高光谱变化特征由图2 图5中看出,不同氮肥处理下小麦冠层高光谱变化特征变化趋势基本一致,都会形成绿峰㊁红谷和一个高反射平台㊂不同氮处理间冠层光谱反射率的差异主要体现在400~600nm和800~ 1000nm范围内,在400~600nm范围内,花后10d 时期,N0水平下的冠层光谱反射率比其他3个氮处理对应的冠层光谱反射率大,花后20d时,表现为N0>N8>N22>N15㊂在800~1000nm范围内,花后10和20d时冠层反射率主要表现为N15水平下的冠层光谱曲线反射率最大,N0水平下的冠层光谱反射率最小㊂图2㊀郑麦369不同氮肥处理下小麦冠层高光谱变化特征Fig.2㊀Hyperspectral changes of wheat canopy under different nitrogen treatments in Zhengmai369图3㊀西农979不同氮肥处理下小麦冠层高光谱变化特征Fig.3㊀Hyperspectral changes of wheat canopy under different nitrogen treatments in Xinong9792.3㊀小麦子粒GS活性与冠层光谱的相关性分析从图6中可看出,小麦子粒GS活性与原始光谱为负相关关系,在722nm附近相关性最强(r= 0.498);经过多元散射校正处理后的光谱与小麦子粒GS活性的相关性呈现出先降低后增高而后再降低又平稳的趋势,在400nm处的相关性最强(r=0.418);经过一阶导数和二阶导数处理后的光谱与小麦子粒GS活性的相关性表现优于原始光谱和多元散射校正,其最大相关系数均接近于0.6㊂由此可以看出,一阶导数和二阶导数处理可以明显提高冠层光谱与小麦子粒GS活性的相关性㊂㊀第5期熊淑萍,等:基于高光谱遥感的小麦子粒谷氨酰胺合成酶活性估算研究825图4㊀郑麦103不同氮肥处理下小麦冠层高光谱变化特征Fig.4㊀Hyperspectral changes of wheat canopy under different nitrogen treatments in Zhengmai103图5㊀扬麦15不同氮肥处理下小麦冠层高光谱变化特征Fig.5㊀Hyperspectral changes of wheat canopy under different nitrogen treatments in Yangmai15图6㊀小麦子粒GS酶活性与不同预处理光谱及原始光谱的相关性分析Fig.6㊀Correlation analysis of GS synthetase activity in winter wheat grains withdifferent pretreatment spectra and original spectra826㊀河㊀南㊀农㊀业㊀大㊀学㊀学㊀报第55卷2.4㊀小麦子粒GS酶活性高光谱估算模型的构建2.4.1㊀基于偏最小二乘回归的小麦子粒GS活性高光谱估算模型的构建㊀从图7中可以看出,基于原始光谱和多元散射校正所建立的偏最小二乘法回归模型的表现较差,R2分别为0.366和0.375, RMSE分别为0.0841和0.0835,难以估算小麦子粒GS活性㊂基于一阶导数的小麦子粒GS活性估算模型表现最好,R2和RMSE分别为0.942和0.0254;基于二阶导数子粒GS活性估算模型表现逊于一阶导数,R2和RMSE分别为0.772和0.0504㊂由此可见,一阶导数处理可大幅提高小麦子粒GS 活性的偏最小二乘法回归估算模型的准确性㊂图7㊀基于PLSR的小麦子粒GS酶活性高光谱估算模型建模效果Fig.7㊀Modeling effect of PLSR-based hyperspectral estimation model for GS activity of wheat grains 2.4.2㊀基于BP人工神经网络的小麦子粒GS酶活性高光谱估算模型的构建㊀从图8中可看出,基于原始光谱和多元散射校正所建立的BP人工神经网络模型的表现较差,R2分别为0.435和0.442,RMSE分别为0.0794和0.0789,准确性很差,不能用以估算小麦子粒GS活性㊂基于一阶导图8㊀基于BPNN的小麦子粒GS酶活性高光谱估算模型建模效果Fig.8㊀Modeling effect of BPNN-based hyperspectral estimation model for GS activity of wheat grains第5期熊淑萍,等:基于高光谱遥感的小麦子粒谷氨酰胺合成酶活性估算研究827㊀数和二阶导数的小麦子粒GS活性估算模型表现较好,R2均在0.76以上,RMSE均在0.0521以下,估算准确性相似,具有一定的应用潜力㊂2.4.3㊀基于SVMR的小麦子粒GS酶活性高光谱估算模型的构建㊀图9为基于原始光谱㊁多元散射校正㊁一阶导数和二阶导数的小麦子粒GS活性的支持向量机回归算法遥感估算模型的建模效果㊂从图9可看出,支持向量机回归算法估算模型的表现均较差,R2最高只有0.583,RMSE最低只有0.0682,估算准确度都较差,难以估算小麦子粒GS活性㊂图9㊀基于SVMR的小麦子粒GS酶活性高光谱估算模型建模效果Fig.9㊀Modeling effect of SVMR-based hyperspectral estimation model for GS activity of wheat grains2.5㊀小麦子粒GS酶活性高光谱估算模型的检验使用独立与建模数据集的检验数据对上文中所构建的R2>0.75的小麦子粒GS活性估算模型进行检验(图10)㊂选取上述建模方法中分别表现最好的模型,将验证集数据带入其中,来最终检验各个模型的性能㊂从图10可以看出,FD-PLSR模型的验证集最好,R2和RMSE分别为0.755和0.0340㊂SD-BPNN模型的验证集次之,R2和RMSE图10㊀偏最小二乘法和BP人工神经网络验证模型效果Fig.10㊀Partial least squares method and BP artificial neural network to verify the model effect828㊀河㊀南㊀农㊀业㊀大㊀学㊀学㊀报第55卷分别为0.593和0.0546㊂SD-PLSR和SD-BPNN 模型的验证集较差,R2为0.3左右㊂综上所述, FD-PLSR模型的效果较好,其建模集和验证集的R2为0.942和0.7550,可以用来估算花后10d和20d小麦子粒GS酶活性㊂3　结论与讨论GS是小麦氮代谢过程中的一个关键酶,实时㊁快速㊁准确获得小麦谷GS活性有利于及时了解小麦的氮同化状态㊂高光谱遥感技术为植物体内生理生化过程的无损㊁快捷和精准估算提供了新的方法㊂在野外采集光谱时,光谱数据中会存在各种噪声,而利用原始光谱构建的模型效果会有一定的影响,因此,通过预处理原始光谱可能会提高模型的预测精度[20-21]㊂研究发现,一阶导数[22]㊁二阶导数[23]和多元散射校正[24-25]预处理方法均可以消除原始光谱中的噪声㊂本研究分别以一阶导数㊁二阶导数和多元散射校正对原始光谱进行预处理,再结合偏最小二乘法㊁支持向量机回归和BP人工神经网络构建模型,用R2和RMSE来评估模型,从而筛选出理想的光谱预处理和模型构建方法优化组合㊂本研究表明,利用微分处理构建的模型优于多元散射校正及原始光谱构建模型的效果,而微分处理以一阶导数的处理效果更加优秀㊂这说明一阶导数可以有效地去除原始光谱中的噪声㊂不同模型对同一种指标的估算具有不同的效果㊂本研究利用偏最小二乘法㊁支持向量机回归和BP人工神经网络构建小麦子粒GS活性的高光谱估算模型㊂结果表明,FD-PLSR模型估算GS活性的效果比较良好,其建模集和验证集的R2分别为0.942和0.7550,以往高光谱在农学中主要反演叶绿素㊁叶片氮含量㊁叶面积指数和产量等[11,26-28]生理指标,本试验利用高光谱成功地反演了小麦子粒中GS活性,为小麦子粒GS活性快速估算提供了新的方法㊂本研究设置了不同小麦品种和氮肥处理组合大田试验,分析原始光谱㊁一阶导数㊁二阶导数和多元散射校正与小麦子粒GS活性的相关性,基于原始光谱㊁一阶导数㊁二阶导数和多元散射校正算法构建了小麦子粒GS活性光谱估算模型㊂微分处理可以提高冠层光谱反射率与小麦子粒GS活性的相关性,在模型的构建过程中,基于微分处理的模型精度较好,尤其以FD-PLSR的模型效果最理想,因此,可以利用高光谱对小麦子粒中GS活性进行估算㊂参考文献:[1]㊀姜红芳,兰宇辰,李猛,等.氮肥运筹对盐碱地水稻子粒氮代谢关键酶活性和蛋白质含量的影响[J].华北农学报,2019,34(S1):213-220.[2]㊀IMRAN M,SUN X C,HUSSAIN S,et al.Molybdenu-minduced effects on nitrogen metabolism enzymes andelemental profile of winter wheat(Triticum aestivum L.)under different nitrogen sources[J].International Jour-nal of Molecular Science,2019,20(12):1-17. [3]㊀IQBAL A,DONG Q,WANG X R,et al.Variations in ni-trogen metabolism are closely linked with nitrogen up-take and utilization efficiency in cotton genotypes undervarious nitrogen supplies[J].Plants,2020,250(9):1-18.[4]㊀李金娜,姜丽娜,岳影,等.灌溉方式和施氮量对冬小麦子粒氮代谢酶和蛋白质产量的影响[J].麦类作物学报,2018,38(7):817-824.[5]㊀方慧,邹强,何勇,等.基于高光谱的番茄叶片过氧化物酶活力测定[J].光谱学与光谱分析,2012,32(8):2228-2233.[6]㊀梁金晨,江晓东,杨沈斌,等.基于高光谱遥感数据的水稻叶温反演[J].南方农业学报,2020,51(1):230-236.[7]㊀王鑫梅,张劲松,孟平,等.不同生育期核桃树冠层叶绿素含量高光谱估算研究[J].河北农业大学学报,2021,44(2):63-71.[8]㊀GASTON E,FRÍAS J M,CULLEN P J,et al.Predictionof polyphenol oxidase activity using visible near-infraredhyperspectral imaging on mushroom(Agaricus bisporus)caps[J].Agricultural and Food Chemistry,2010,58(10):6226-6233.[9]㊀YANG Y C,SUN D W,WANG N N,et al.Real-timeevaluation of polyphenol oxidase(PPO)activity in ly-chee pericarp based on weighted combination of spectraldata and image features as determined by fuzzy neuralnetwork[J].Talanta,2015,2(14):198-207. [10]SHRESTHA L,KULIG B,MOSCETTI R,et pari-son between hyperspectral imaging and chemical analysisof polyphenol oxidase activity on fresh-cut apple slices[J].Journal of Spectroscopy,2020,12(4):1-10. [11]谢传奇,冯雷,冯斌,等.茄子灰霉病叶片过氧化氢酶活性与高光谱图像特征关联方法[J].农业工程学报,2012,28(18):177-184.[12]胡耀华,李清宇,唐翊.基于高光谱的晚疫病胁迫下马铃薯叶片的过氧化物酶活性检测[J].江苏大学学报(自然科学版),2018,39(6):683-688. [13]程帆,赵艳茹,余克强,等.基于高光谱技术的病害早第5期熊淑萍,等:基于高光谱遥感的小麦子粒谷氨酰胺合成酶活性估算研究829㊀期胁迫下黄瓜叶片中过氧化物酶活性的研究[J].光谱学与光谱分析,2017,37(6):1861-1865. [14]张治安,张美善,蔚荣海.植物生理学实验指导[M].北京:中国农业科学技术出版社,2004. [15]RUMEIHART D E,HINTON G E,WILLIAMS R J.Learning representations by back-propagating errors[J].Nature,1986,323(6088):533-536.[16]DAWEN T P,CURREN P J.Technical note a new tech-nique forinterpolating the reflectance red edge position[J].International Journal of Remote Sensing,1998,19(11):2133-2139.[17]WORD S.Personal memories of the early PLS develop-ment[J].Chemometrics and Intelligent Laboratory Sys-tems,2001,58(2):83-84.[18]DAUGHTRY C S T,WALTHALL C L,KIM M S,et al.Estimating corn leaf chlorophyll concentration from leafand canopy reflectance[J].Remote Sensing of Environ-ment,2000,74(2):229-239.[19]CHERKASSKY V.The nature of statistical learning the-ory[J].IEEE Transactions on Neural Networks,1997,8(6):1564-1564.[20]于雷,朱亚星,洪永胜,等.高光谱技术结合CARS算法预测土壤水分含量[J].农业工程学报,2016,32(22):138-145.[21]赵娟娟,叶顺,徐可,等.基于提取不同中红外光谱特征信息的烟叶部位判别研究[J].河南师范大学学报(自然科学版),2021,49(1):45-49.[22]施光耀,王若伦,桑玉强,等.基于高光谱的核桃-大豆复合系统大豆叶绿素估算研究[J].河南农业大学学报,2020,54(5):762-769.[23]孙晶京,杨武德,冯美臣,等.基于随机蛙跳和支持向量机的冬小麦叶面积指数估算[J].山西农业大学学报(自然科学版),2020,40(5):120-128. [24]孙宗保,梁黎明,李君奎,等.高光谱成像的冰鲜与冻融三文鱼鉴别研究[J].光谱学与光谱分析,2020,40(11):3530-3536.[25]黎新荣.滑皮金桔糖度的近红外光谱无损检测技术[J].南方农业学报,2019,50(4):838-843. [26]纪景纯,刘建立,牛玉洁,等.基于全波段高光谱的冬小麦生长参数估算方法比较[J].作物杂志,2020,199(6):180-188.[27]陶惠林,徐良骥,冯海宽,等.基于无人机高光谱遥感的冬小麦株高和叶面积指数估算[J].农业机械学报,2020,51(12):193-201.[28]曹学仁,周益林,段霞瑜,等.利用高光谱遥感估计白粉病对小麦产量及蛋白质含量的影响[J].植物保护学报,2009,36(1):32-36.(责任编辑:常思敏)。

第38卷 第9期 农 业 工 程 学 报 Vol.38 No.9 2022年 5月 Transactions of the Chinese Society of Agricultural Engineering May 2022 171

基于多源无人机影像特征融合的冬小麦LAI估算 张东彦1，韩宣宣1，林芬芳2,3※，杜世州1,4，张 淦1，洪 琪1 （1. 安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心，合肥 230601；2. 南京信息工程大学遥感与 测绘工程学院，南京 210044；3. 河南大学黄河中下游数字地理技术教育部重点实验室，开封475004； 4. 安徽省农业科学院作物研究所，合肥 230001）

摘 要：为探讨无人机多源影像特征融合估测作物叶面积指数的能力，该研究以冬小麦为研究对象，利用多旋翼无人机搭载高清数码相机和UHD185成像光谱仪获取研究区冬小麦关键生育期（扬花期、灌浆期）的可见光和高光谱影像。综合考虑可见光、高光谱影像特征与冬小麦叶面积指数的相关性及影像特征重要性进行特征筛选，然后，以可见光植被指数、纹理特征、可见光植被指数+纹理特征、高光谱波段、高光谱植被指数及高光谱波段+植被指数分别作为输入变量构建多元线性回归、支持向量回归和随机森林回归的叶面积指数估测模型（单传感器数据源）；以优选的两种影像特征结合支持向量回归、随机森林回归构建叶面积指数估测模型（两种传感器数据源），比较分析单源与多源影像特征监测冬小麦叶面积指数的性能。进一步地，考虑到小区土壤空间异质性会影响冬小麦叶面积指数估测结果，该研究探讨了不同影像采样面积下基于单源遥感数据构建的小麦叶面积指数估测模型精度。研究结果表明：在扬花期和灌浆期，使用两种影像优选特征构建的随机森林回归估测模型精度最佳，验证集决定系数分别为0.733和0.929，均方根误差为0.193和0.118。可见光影像采样面积分别为30%和50%，高光谱影像采样面积为65%时，基于单源影像特征构建的随机森林回归估测模型在扬花期和灌浆期效果最好。综上，该研究结果可为无人机遥感监测作物生理参数提供有价值的依据和参考。 关键词：无人机；特征融合；机器学习；叶面积指数；冬小麦 doi：10.11975/j.issn.1002-6819.2022.09.018 中图分类号：S127 文献标志码：A 文章编号：1002-6819(2022)-09-0171-09

冬小麦叶面积指数的品种差异性与高光谱估算研究郭建彪;马新明;时雷;张娟娟;杜盼;魏钦钦【期刊名称】《麦类作物学报》【年(卷),期】2018(38)3【摘要】为给小麦叶面积指数(LAI)的高光谱估算提供技术支持,基于2年大田试验,以4个河南主推品种为材料,对小麦LAI和冠层光谱变化特点、估算模型及其品种间的差异等进行了系统分析。

结果表明,在生育期内不同冬小麦品种冠层光谱反射率的变化与LAI变化有差异;在相同LAI下,不同冬小麦品种的光谱曲线存在差异。

利用400~900nm范围内冠层光谱反射率的任意两波段组合的比值光谱指数(RSI)、归一化差值光谱指数(NDSI)和差值光谱指数(DSI)所建立的单品种模型以及不同品种综合模型的决定系数(r2)均达到0.84以上,单品种模型的r2和调整r2分别较综合模型高出3.1%~4.8%和2.0%~4.2%。

利用独立于建模样本以外的数据对上述模型进行检验,单品种模型预测的r2较综合模型提高了0.6%~11.0%,而均方根误差降低了10.0%~37.0%。

因此,在利用高光谱遥感技术估算冬小麦LAI时,可以通过建立单品种模型来提高估算精度。

【总页数】8页(P340-347)【关键词】冬小麦;LAI;品种差异;高光谱;估算模型【作者】郭建彪;马新明;时雷;张娟娟;杜盼;魏钦钦【作者单位】河南粮食作物协同创新中心;河南农业大学农学院;河南农业大学信息与管理科学学院【正文语种】中文【中图分类】S512.1;S314【相关文献】1.不同生育期冬小麦叶面积指数高光谱遥感估算模型 [J], 孟禹弛;侯学会;王猛2.基于高光谱的冬小麦叶面积指数估算方法 [J], 夏天;吴文斌;周清波;周勇;于雷3.基于高光谱维数约简与植被指数估算冬小麦叶面积指数的比较 [J], 付元元;杨贵军;冯海宽;徐新刚;宋晓宇;王纪华4.无人机高光谱遥感估算冬小麦叶面积指数 [J], 陈晓凯;李粉玲;王玉娜;史博太;侯玉昊;常庆瑞5.基于无人机高光谱遥感的冬小麦株高和叶面积指数估算 [J], 陶惠林;徐良骥;冯海宽;杨贵军;代阳;牛亚超因版权原因，仅展示原文概要，查看原文内容请购买。

Landsat 叶面积指数1. 概述Landsat 叶面积指数（Leaf Area Index，简称LAI）是一个用来定量评估植被结构和生长状况的重要指标。

它通常用来估计植被覆盖的程度以及植物光合作用的强度。

LAI的测量对于研究气候变化、生态系统监测和农业管理等领域非常重要。

2. LAI的定义和计算方法2.1 定义LAI是指通过测量单位地面上的植被叶面积，来反映单位地面上植被覆盖程度的指数。

它的单位为m²/m²或无量纲。

2.2 计算方法测量LAI的方法有多种，其中较常用的是基于遥感数据的计算方法。

以下是一种常见的计算公式：LAI = (K * LAIretrieved - C) / (1 - C)，其中K为辐射传输系数，LAIretrieved为从遥感数据中获取的植被叶面积指数，C为地表背景的修正常数。

3. Landsat卫星提供的数据Landsat系列是美国国家航空航天局（NASA）和美国地质调查局（USGS）联合研制的一组卫星，用于收集地球表面的遥感数据。

这些卫星提供了高分辨率、多光谱波段的图像数据，非常适合用于进行植被监测和LAI的估算。

4. 基于Landsat数据的LAI计算方法基于Landsat数据进行LAI计算的方法主要包括基于植被指数的方法和基于辐射传输模型的方法。

4.1 基于植被指数的方法基于植被指数的方法是一种比较常用的LAI计算方法。

常用的植被指数包括归一化差异植被指数（Normalized Difference Vegetation Index，NDVI）、植被指数（Vegetation Index，VI）等。

通过计算这些指数可以得到反映植被覆盖程度的信息，从而进一步计算LAI。

4.2 基于辐射传输模型的方法基于辐射传输模型的方法是一种基于物理原理的LAI计算方法。

它通过模拟光在植被冠层中的传输过程来推断LAI。

常用的辐射传输模型包括PROSAIL模型、SAIL模型等。

基于VSURF-CA的小麦条锈病高光谱病情指数估测模型梅广源;李荣;梅新;陈日强;樊意广;程金鹏;冯子恒;陶婷;赵倩;赵培钦;杨小冬【期刊名称】《中国农业科学》【年(卷),期】2024(57)3【摘要】【目的】条锈病对小麦生长和产量造成严重威胁,为确保有效防控,精准监测尤为关键。

利用遥感技术构建小麦条锈病估测模型,能快速、准确地估测病情指数(DI),为精准防控提供技术支持。

【方法】利用ASD光谱仪获取小麦不同生育期(抽穗期、灌浆期和成熟期)高光谱数据,采用随机森林变量选择(VSURF)方法结合相关性分析(CA)对原始光谱(OR)和一阶微分光谱(FD)进行特征波段筛选。

使用随机森林(RF)对比不同数据集的特征波段建模结果,确定模型效果最佳的特征集。

随后借助偏最小二乘回归(PLSR)、极致梯度提升(XGBoost)以及反向传播神经网络(BPNN),对比特征集在不同算法中的建模效果。

通过对比建模效果,确定针对全生育期小麦条锈病病情指数的最佳估测模型。

为了验证特征集在不同生育期中的效果,利用特征集在3个生育期重新构建模型,并对比模型效果。

【结果】对不同数据集进行特征筛选,并使用RF构建条锈病DI估测模型,通过比较模型效果,确定VSURF-CA-FD特征集(绿光范围的537 nm以及近红外范围的821和846nm)在RF模型中的估测效果最好。

采用RF算法构建的模型表现出优异的精度,R^(2)为0.89,RMSE为12.34。

这些特征波段在其他算法构建的模型中也展现出良好的精度:XGBoost模型的R^(2)为0.87,RMSE为13.15;BPNN模型的R^(2)为0.84,RMSE为15.19;PLSR模型的R^(2)为0.69,RMSE为20.92。

使用不同生育期的冠层微分高光谱数据进行验证,利用VSURF-CA-FD特征集构建RF模型,对比模型发现在小麦生长的早期(抽穗期)R^(2)为0.54,RMSE为1.29,NRMSE为0.21,能满足估测病害的要求;小麦生长的中期(灌浆期),模型的R^(2)表现较好,R^(2)为0.66,RMSE为12.24,NRMSE为0.21;小麦生长晚期(成熟期),模型效果好于前两个时期,R^(2)为0.75,RMSE为10.77,NRMSE为0.15。

一种小麦叶片等效水厚度高光谱监测方法下载温馨提示:该文档是我店铺精心编制而成，希望大家下载以后，能够帮助大家解决实际的问题。

文档下载后可定制随意修改，请根据实际需要进行相应的调整和使用，谢谢!并且，本店铺为大家提供各种各样类型的实用资料，如教育随笔、日记赏析、句子摘抄、古诗大全、经典美文、话题作文、工作总结、词语解析、文案摘录、其他资料等等，如想了解不同资料格式和写法，敬请关注!Download tips: This document is carefully compiled by theeditor.I hope that after you download them,they can help yousolve practical problems. The document can be customized andmodified after downloading,please adjust and use it according toactual needs, thank you!In addition, our shop provides you with various types ofpractical materials,such as educational essays, diaryappreciation,sentence excerpts,ancient poems,classic articles,topic composition,work summary,word parsing,copy excerpts,other materials and so on,want to know different data formats andwriting methods,please pay attention!高光谱监测技术在小麦叶片等效水厚度检测中的应用一、引言在现代农业中，作物的生长状况监测是优化管理、提高产量和质量的关键环节。

上海农业科技张燕霞，等：淮北地区晚播小麦品种特征特性对比试验初报2021(1) ：45-47•粮油作物•淮北地区晚播小麦品种特征特性对比试验初报张燕霞党新安(徐州佳禾农业科技有限公司，徐州221200)摘要：为筛选出适宜江苏省徐州市睢宁县晚播条件下种植的小麦品种，特进行了晚播小麦品种特征 特性对比试验。

结果表明，晚播小麦的生育进程前期起步晚，抽穗期较大面积生产晚1~2d，后期生长平稳，成熟期与大面积生产基本一致，全生育期缩短。

随着生育进程的推进，晚播小麦的群体茎蘖动态呈先上升后下降的趋势，在拔节期达到茎蘖高峰；而晚播小麦的T物质积累景，在整个生育期呈上升趋势。

结合产量因素，在迟播条件下，获得高产的小麦品种的叶面积指数也较高。

综上，在晚播条件下，淮北地区晚播小麦种植应选择分蘖能力强、后期灌浆速率快、干物质积累较多的品种。

关键词：淮北地区；晚播麦；生育期；茎蘖动态;中图分类号：S512.1目前，江苏省淮北麦区仍有部分田块采用稻麦 轮作的种植模式，但随着粳稻大面积推广，水稻收 获期推迟，导致小麦适期播种受到影响，这不利于 小麦单产的提高[11。

杨勇等^研究认为，与适播小麦 相比，晚播小麦的生育进程前期起步晚，中期发育 快，后期生长平稳，全生育期缩短；主茎分化总叶 数、低节位有效分蘖、小穗和小花分化数均有所减 少；粒重低、穗数不足是造成晚播小麦产量不高的 主要因子。

江苏省徐州市睢宁县稻巷小麦适播期一 般在10月10日一 25日。

在此背景下，为筛选出 适宜睢宁县晚播条件下种植的小麦品种，笔者对 当地部分小麦主栽品种在晚播条件下的生育特性、叶面积指数、干物质重等进行分析，以期为苏北地 区晚播小麦生产提供参考。

现将相关试验结果报 道如下。

1材料与方法1. 1试验地概况试验在睢宁现代农业示范园区光华村基地内进 行，供试田块土壤肥力中等，地力均匀，地势平坦。

前■作物为水稻，于2019年10月28日用半喂人式 久保田5 88进行收获，且秸秆全量还田。

安徽农业大学学报, 2019, 46(1): 124-132Journal of Anhui Agricultural University[DOI] 10.13610/ki.1672-352x.20190314.011 网络出版时间：2019/3/18 9:47:48[URL] /kcms/detail/34.1162.s.20190314.1456.022.html基于多角度高光谱遥感的冬小麦叶片含水率估算模型郭建茂1,2，高云峰2，李淑婷2，白玛仁增2，王阳阳2，张一甲2，刘荣花3(1. 南京信息工程大学气象灾害预报预警与评估协同创新中心/江苏省农业气象重点实验室，南京 210044；2. 南京信息工程大学应用气象学院，南京 210044；3 中国气象局/河南省农业气象保障与应用技术重点实验室，郑州 450003)摘 要：准确的作物水分监测对于旱情评估具有重要意义。

在分析研究区冬小麦多角度光谱特征后，利用不同水分处理下冬小麦实测叶片含水率和实测多角度光谱数据，基于植被光谱指数法，建立不同观测角度下冬小麦光谱植被指数、水分敏感波段光谱指数与叶片含水率之间的数学模型。

结果显示，相对方位角与相对天顶角越小时，观测到的光谱指数与叶片含水率的相关关系越优；敏感波段组合构建的光谱指数中，1 450 nm波段分别与其他波段组合的NDSI、RSI指数与叶片含水率相关性在各观测角度条件下均较好，1 450 nm波段是冬小麦叶片含水率研究的最佳敏感波段；选取常见的4种植被指数（NDVI、EVI、WI和NDII）中WI和NDVI在各观测角度下与叶片含水率的相关性优于其他两种指数，决定系数R2均在0.83以上，P<0.01呈极显著相关；综上建立的多角度光谱叶片含水率估算模型，平均相对误差MRE均小于0.154、均方根误差RMSE均小于0.098，拟合效果较好，尤其是光谱指数NDSI1160,1450、NDSI980,1450和植被指数NDVI、WI；基于以上4种指数建立的最优观测角度（0°，30°）模型，其中植被指数WI的估算效果最好，相关系数在各角度均达到5%的相关显著水平，MRE<0.03，可作为最优观测角度反演研究的最优植被指数。

麦类作物学报 2024,44(4):522-531J o u r n a l o fT r i t i c e a eC r o ps d o i :10.7606/j.i s s n .1009-1041.2024.04.13网络出版时间:2023-11-16网络出版地址:h t t ps ://l i n k .c n k i .n e t /u r l i d /61.1359.s .20231114.1442.012基于三波段光谱指数的春小麦叶片水分含量估算收稿日期:2023-03-25 修回日期:2023-04-11基金项目:伊犁师范大学2020年度博士启动科研项目(2020Y S B S Y J 001);植物生态重点科学开放课题(Y L U P E 2021Z D 02);伊犁州直2022年度第二批重点研究与技术开发专项(Y Z 2022B 033)第一作者E -m a i l :N e j a t K a s i m@126.c o m (尼加提㊃卡斯木)通讯作者E -m a i l :Z i n i h a r z u n u n @126.c o m (孜尼哈尔㊃祖努尼江)尼加提㊃卡斯木1,2,张志从1,吾木提㊃艾山江1,2,孜尼哈尔㊃祖努尼江1,2(1.伊犁师范大学资源与生态研究所,新疆伊宁835000;2.伊犁师范大学生物与地理科学学院,新疆伊宁835000)摘 要:为探讨利用三波段植被指数(t h r e e -b a n d i n d e x ,3B I )对春小麦叶片水分含量(l e a fw a t e r c o n t e n t,L W C )估算的可行性,在田间尺度上,利用A S D -F i e l d S p e c -3光谱仪测定春小麦抽穗期冠层光谱反射率,采用任意波段组合方法,分别建立两波段植被指数(t w o -b a n d i n d e x ,2B I )包括比值植被指数(R V I )㊁归一化植被指数(N D V I )㊁差值植被指数(D V I )及3B I ,并对单波段反射率㊁两波段植被指数和三波段植被指数与春小麦抽穗期L W C 之间进行相关性分析,筛选稳定的光谱参数,基于人工神经网络(a r t i f i c i a l n e u r a l n e t w o r k ,A N N )㊁K近邻(K -n e a r e s t n e i g h b o r s ,K N N )和支持向量回归(s u p p o r t v e c t o r r e gr e s s i o n ,S V R )等3种机器学习算法,建立有效波段组合运算的抽穗期春小麦L W C 估算模型,并利用独立样本对模型精度进行检验和评价㊂结果表明,单波段反射率㊁2B I 和3B I 与春小麦抽穗期L W C 之间的相关性均达极显著水平(P <0.01),而相关系数差异较大,绝对值分别为0.23㊁0.62㊁0.94,说明组合波段展现了光谱隐含信息,避免有效光谱信息的丢失;估算模型中,春小麦抽穗期以K N N 算法和最佳3B I 组合变量(3B I -5(1075,1095,1085)㊁3B I -6(1100,400,1097))构建的模型拟合度最高(r 2=0.83),均方根误差最小(R M S E =2.14%),相对偏差百分比超出了2.0以上(R P D =2.31),说明该模型具有一定的预测能力㊂由此可见,通过任意波段组合,可明显提高3B I 与春小麦L W C 的关联度,且基于K 近邻算法构建的模型具有较好的稳定性和估算能力㊂关键词:春小麦;叶片水分;高光谱;波段组合;机器学习中图分类号:S 512.1;S 314 文献标识码:A 文章编号:1009-1041(2024)04-0522-10E s t i m a t i o n o f L e a fW a t e rC o n t e n t o f S p r i n g W h e a t B a s e d o n 3DS pe c t r a l I n d e x N I J A TK a s i m 1,2,Z H A N GZ h i c o n g 1,U M U TH a s a n 1,2,Z I N H A RZ u n u n ja n 1,2(1.I n s t i t u t e o fR e s o u r c e s a n dE c o l o g y ,Y i l iN o r m a lU n i v e r s i t y ,Y i n i n g ,X i n j i a n g 835000,C h i n a ;2.C o l l e g e o f B i o l o g y an d G e o g r a p h y S c i e n c e s ,Y i l iN o r m a lU n i v e r s i t y ,Y i n i n g ,X i n j i a n g 835000,C h i n a )A b s t r a c t :T o e x p l o r e t h e f e a s i b i l i t y o f u s i n g t h r e eb a n dv e ge t a t i o n i n d e x (3B I )t oe s t i m a t e l e a fw a t e r c o n t e n t (L W C )o fs p r i n g w h e a t ,t h e A S D -F i e l d S p e c -3s p e c t r o m e t e rw a su s e da t t h ef i e l ds c a l et o m e a s u r e t h e c a n o p y s p e c t r a l r e f l e c t a n c e o f s p r i ng wh e a t a t h e a di n g s t a ge .C o m b i n a t i o no fw a v e b a n d s w a s u s e d t o e s t a b l i s ht w ob a n dv e g e t a t i o n i n d e x (2B I ),i n c l u d i n g r a t i ov e ge t a t i o n i n d e x (R V I )a n d n o r m a l i z e dv e g e t a t i o n i n d e x (N D V I ),a n dD if f e r e n c eV e ge t a t i o nI n d e x (D V I )a n d3B Iw e r eu s e dt o a n a l y z e t h e c o r r e l a t i o nb e t w e e ns i n g l eb a n dr ef l e c t a n c e ,t w ob a n dv eg e t a t i o n i n d e x ,a n dth r e eb a n d v e g e t a ti o n i n d e xw i t hL W Ca t h e a d i n g s t a g e o f s p r i n g w h e a t .S t a b l e s p e c t r a l pa r a m e t e r sw e r e s e l e c t -e d ,a n dt h r e e m a c h i n el e a r n i n g a l g o r i t h m s ,i n c l u d i n g ar t i f i c i a ln e u r a ln e t w o r k (A N N ),K -n e a r e s t n e i g h b o r s (K N N ),a n d s u p p o r t v e c t o r r e gr e s s i o n (S V R )w e r e c o n d u c t e d t o e s t a b l i s h a n e f f e c t i v e b a n d c o m b i n a t i o no p e r a t i o nb a s e dL W Ce s t i m a t i o nm o d e l f o r s p r i n g w h e a t a t h e a d i n g s t a g e ,a n d t o t e s t a n d e v a l u a t e t h e a c c u r a c y o f t h em o d e l u s i n g i n d e p e n d e n t s a m pl e s .T h e r e s u l t s s h o w e d t h a t t h e c o r r e l a t i o nb e t w e e n s i n g l eb a n d r e f l ec t a n c e,2B I a n d3B I,a n dL W Ca th e ad i n g s t a g eo f s p r i n g w he a t r e a c h e da h i g h l y s i g n if i c a n t l e v e l(P<0.01),w i t hs ig n i f i c a n t d i f f e r e n c e s i nc o r r e l a t i o nc o e f f i c i e n t s,w i t ha b s o-l u t e v a l u e s o f0.23,0.62,a n d0.94,r e s p e c t i v e l y.Thi s i n d i c a t e s t h a t t h ec o m b i n e db a n d se x h i b i t s p e c t r a l i m p l i c i t i n f o r m a t i o na n da v o i dt h e l o s so f e f f e c t i v es p e c t r a l i n f o r m a t i o n.F o r t h ee s t i m a t i o n m o d e l,t h e m o d e l b u i l t w i t h K N N a l g o r i t h m a n d t h e b e s t3B I c o m b i n a t i o n v a r i a b l e s(3B I-5(1075,1095,1085),3B I-6(1100,400,1097)a t t h e h e a d i n g s t a g e o f s p r i n g w h e a t h a d t h e h i g h e s t f i t t i n g d e g r e e(r2 =0.83),t h e s m a l l e s tR o o t-m e a n-s q u a r e d e v i a t i o n(R M S E=2.14%),a n d t h e r e l a t i v ed e v i a t i o n p e r-c e n t a g em o r e t h a n2.0(R P D=2.31),i n d i c a t i n g t h a t t h e m o d e lh a dc e r t a i n p r e d i c t i v ea b i l i t y.I t i s s u g g e s t e d t h a t t h e c o r r e l a t i o nb e t w e e n3B I a n ds p r i n g w h e a tL W Ci s s i g n i f i c a n t l y i m p r o v e dt h r o u g h t h e c o m b i n a t i o n o fw a v e b a n d s.T h em o d e l c o n s t r u c t e d b a s e d o n t h eK-n e a r e s t n e i g h b o r a l g o r i t h mh a s g o o d s t a b i l i t y a n de s t i m a t i o na b i l i t y.K e y w o r d s:S p r i n g w h e a t;L W C;H y p e r-s p e c t r a l;B a n d c o m b i n a t i o n;M a c h i n e l e a r n i n g粮食问题与社会安宁㊁政局稳定和人民安居乐业关系密切,及时掌握农作物产量有利于政府对粮食问题提前决策及采取宏观调控措施[1]㊂联合国2015年通过增加可持续农业生产㊁减少粮食浪费和确保人类零饥饿,将全球粮食安全作为可持续发展目标[2]㊂因此,科学准确地监测农作物长势及产量,对于保障世界粮食安全和促进农业可持续发展具有重大意义[3]㊂水分是作物生长过程中尤为重要的生理指数,水分含量亏缺不仅影响作物的内部生化过程和外部形态结构,还会改变作物长势㊁产量及品质[4],因而水分常被作为作物生长状况良好度量和诊断指标[5]㊂传统农作物参数指标测定主要采用人工区域调查法,虽然测定结果准确性较高,但工作量大㊁速度慢㊁成本高㊂L a n d s a t㊁S P O T等遥监测卫星可提供最新㊁最快和最准确的地面数据,从而为遥感技术在农业各个领域广泛应用创造了条件㊂与传统作物指标测定方法相比,遥感技术估产具有快速㊁准确和动态等优点[6-8]㊂随着高光谱遥感的迅速发展,高光谱遥感技术已经成为精准农业生产体系的重要组成部分㊂由于其具有波段的连续性强㊁光谱分辨率相对高的优势,成为作物地上部生物量㊁L A I㊁叶片水分等作物重要参数的快速定量估算及无损监测的重要手段[9-11]㊂国内外学者普遍认为作物水分敏感波段为820㊁950~970㊁1200㊁1450㊁1600㊁1940和2500n m等[12-13];张佳华等[14]利用获取的高光谱数据的导数变换分析了小麦水分相对含量与吸收光谱的相关性㊂刘小军等[15]系统分析任意两波段组合而成的比值(R S I)㊁差值(D S I)光谱指数和归一化差值(N D S I)与叶片水分的量化关系,并建立了水稻叶片含水量的估测模型;王小平等[16]从春小麦光谱反射率中筛选出与作物冠层含水量相关性最高的两个波段(780和1750 n m),并构建新的指数s e m i-a r i d w a t e r i n d e x-1(S AW I-1)和s e m i-a r i d w a t e r i n d e x-2(S AW I-2)进行反演,得到较好的结果;李天胜等[17]对冬小麦高光谱数据进行S G平滑㊁一阶导数和二阶导数处理,并建立叶片含水量多种高光谱估算模型,且模型模拟精度均较好㊂目前,作物叶片含水量的高光谱估算模型主要基于单一波段反射率和植被指数构建,并结合多种模型进行模拟监测,而对于获取的高光谱数据的植被指数波段组合优化有待研究和深入[18]㊂利用作物叶片光谱指数进行作物水分估测是可行的,但用于估算作物水分含量的特征光谱和植被指数一般因地域不同而产生较大变化,并使单一波段反射率或植被指数对作物水分敏感度存在一定差异㊂本研究对作物冠层高光谱反射率全波段信息尽可能进行组合,分别计算两波段光谱指数(r a t i o v e g e t a t i o n i n d e x,R V I;n o r m a l i z e d d i f f e r e n c e v e g e t a t i o ni n d e x,N D V I;d i f f e r e n c e v e g e t a t i o n i n d e x,D V I)和三波段光谱指数(T h r e e-B a n d c o m b i n a t i o n i n d e x,3B I),并与单波段反射率进行比较,探讨单波段㊁两波段和三波段光谱指数对春小麦叶片水分含量的敏感和稳定程度,寻求适宜干旱区作物参数稳定估算的多维光谱指数方法,最终以最佳多维波段组合光谱指数为自变量,引入3种机器学习算法(K N N㊁A N N㊁S VM),比较建模过程中存在的线性和非线性拟合性,建立基于三波段光谱指数的春小麦叶片水分含量估算模型并验证,以期为干旱区域田间尺度上利㊃325㊃第4期尼加提㊃卡斯木等:基于三波段光谱指数的春小麦叶片水分含量估算用无人机载高光谱传感器对作物叶片水分状况快速㊁高分辨率㊁高精度评估提供参考依据㊂1 材料与方法1.1 研究区概况研究区属于科学实验基地,位于新疆阜康市上户沟乡滋泥泉子镇北部(88ʎ22'~88ʎ29'E ,44ʎ23'~44ʎ22'N ),占地面积为480h m 2,周围均为主要播种小麦㊁玉米等农作物的大型农场[18]㊂该地区是典型的干旱耕作区,也是新疆主要的粮食基地㊂气候类型属于典型的中温带大陆性干旱气候,其特点是四季分明,冬天冷夏天热,春秋气温变化较剧烈,降水量少且季节分配不均匀,降水主要集中在春夏季,光热条件充足[19]㊂图1为研究区春小麦播种区域和采样区,播种区域均匀铺设滴灌设施,参照当地作物灌溉方案,滴灌梯度设置为450㊁600和750m 3㊃h m -2;黄色部分为正方形采样区(1mˑ1m ),共154个㊂图1 采样数据点在研究区的分布F i g .1 D i s t r i b u t i o no f s a m p l i n g d a t a p o i n t s i n t h e s t u d y ar e a 1.2 地面数据获取与处理春小麦不同叶位中,顶部叶片含水量与反射光谱之间的定量关系较好[20]㊂因此,2017年6月对春小麦顶一叶和顶二叶进行采样,并立刻放于密封塑料袋中且做好标签,保证其水分不受损失,每个采样小区重复采集10次样本,室内将样本的叶与茎分开处理,做好样品的预处理工作㊂样本先用电子天平(0.0001g )称取鲜重(f r e s hw e i g h t ,F W ),再在105ħ下杀青30m i n 后放入烘干箱(温度为80ħ)烘干36h ,最后称取干重(d r y w e i gh t ,DW ),并计算叶片含水量(L W C )㊂L W C =(F W-C W )/F Wˑ100%㊂在采样的同时,利用A S D -F i e l d S pe c -3光谱仪(波段范围为350~2500n m )获得春小麦冠层高光谱数据,在350~1000和1000~2500n m 范围内间隔分别为1.4和2.0n m ,高光谱数据重采样后可达到1n m ㊂数据采集当日天气晴朗无云,野外光谱采集时间为12:00-14:00,每隔5m i n 进行白板校正一次㊂每个样本重复测定10次,取其平均值作为样本的冠层光谱数据㊂1.3 波段植被指数的筛选通过对光谱全波段信息多种方式组合和优化,获得所选植被指数的计算结果㊂表1列出了本研究选取的3种两波段组合植被指数和7种三波段组合植被指数㊂波段组合计算过程通过实验组在J a v a 平台上开发的软件(T h r e e -b a n d c o m b i n a t i o n o fo pt i m i z e d i n d i c e s ,V 1.0.登记号:2018S r 281300)实现㊂对基于分数阶微分处理的光谱数据构建的两波段光谱指数与土壤有机质含量进行P e a r s o n相关性分析,选择相关系数通过0.01水平显著性检验的R V I ㊁N D V I ㊁D V I 作为敏感指数,以消除共线性光谱指数的存在问题㊂1.4 估算模型的建立与验证本研究把154个采样点的样本数据随机分为建模集(123个,占总数据的80%)和验证集(31个,占总数据的20%)㊂利用人工神经网络(a r t i -f i c i a l n e u r a l n e t w o r k ,A N N )㊁K 近邻(K -n e a r e s tn e i g h b o r s ,K N N )和支持向量回归(s u p p o r t v e c -t o r r e gr e s s i o n ,S V R )三种机器学习算法构建模型㊂A N N 是指由大量的处理单元(神经元)互相㊃425㊃麦 类 作 物 学 报 第44卷表1 不同波段多种组合的植被指数T a b l e 1 V e g e t a t i o n i n d e x o f d i f f e r e n t b a n d s a n dm u l t i pl e c o m b i n a t i o n s 类型T y p e 植被指数V e g e t a t i o n i n d e x 公式F o r m u l a 参考文献R e f e r e n c e两波段指数2B I比值植被指数R V I归一化植被指数N D V I 差值植被指数D V IR λ1/R λ2(R λ1-R λ2)/(R λ1+R λ2)R λ1-R λ2[21]三波段指数3B I3B I -1R λ1/(R λ2ˑR λ3)3B I -2R λ1/(R λ2+R λ3)3B I -3(R λ1-R λ2)/(R λ2+R λ3)3B I -4(R λ1-R λ2)/(R λ2-R λ3)3B I -5(R λ2+R λ3)/R λ13B I -6(R λ1-R λ2)/[(R λ1-R λ2)-(R λ2-R λ3)]3B I -7(R λ1-R λ2)-(R λ2-R λ3)[22-23] R 为反射率;λ为400~2400n m 内任意波长㊂Rr e f e r s t o r e f l e c t a n c e ;λr e f e r s t o a n y w a v e l e n g t h i n t h e r a n ge of 400-2400n m.连接而形成的复杂网络结构㊂以数学模型模拟神经元活动,是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统[24]㊂K N N 是一种理论上比较成熟且最简单的机器学习算法之一,其思路非常简单直观:如果一个样本在特征空间中的K 个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别[25]㊂S V R 是基于支持向量机(s u p po r tv e c -t o rm a c h i n e ,S VM )算法的一种回归方法[26]㊂模型精度验证采用决定系数(r 2)㊁均方根误差(r o o t -m e a ns q u a r ee r r o r ,R M S E )和相对偏差百分比(r e l a t i v e p e r c e n t d e v i a t i o n ,R P D )三个指标,主要是对所建立的模型进行稳定性和预测能力检验㊂r 2越高,模型的线性关系越强㊂R M S E越小,表明测量数据和预测数据之间的误差低㊂R P D 是标准偏差与估计标准误差之间的比率㊂R P D 值超过2.0,说明该模型具有较好的预测能力;R P D 值在1.4~2.0之间,代表模型具有一般预测能力;R P D 值小于1.4,说明模型预测能力较差㊂2 结果与分析2.1 春小麦叶片水分含量(L W C )统计分析及其对高光谱的响应从总数据集㊁建模集和验证集(表2)看,春小麦L W C 变化范围分别为64.94%~91.54%㊁64.94%~85.26%和69.56%~91.34%,标准差分别为3.56%㊁3.15%和4.83%,变异系数分别为4.58%㊁4.06%和6.15%,总数据集变异系数在建模集和验证集的变异系数之间㊂春小麦的冠层反射波普曲线规律性明显(图2A ),在可见光波段400~760n m 有个小的反射峰(550n m ),这与叶片叶绿素的影响密切相关;在近红外波段有一反射的陡坡,至1100n m 附近有一个峰值㊂P e a r s o n 相关性分析(图2B )表明,光谱反射率与L W C 相关极显著(P <0.01)㊂通过0.05显著性检验的波段范围分别为400~410㊁760~980和1020~1120n m ,而通过0.01显著性检验的波段主要集中在780~930n m ㊂从以上分析可知,对春小麦L W C 敏感的光谱波段区域主要为400~1300n m ,其中光谱反射率与L W C 在400~720n m 波段范围内呈负相关,而在720~1300n m 波段范围内的相关性较弱㊂因此,需要通过植被指数的波段优化计算来进一步探讨其对L W C 之间的关联程度㊂2.2 不同波段组合植被指数与春小麦L W C 的相关性2.2.1 两波段组合植被指数与春小麦L W C 的相关性在400~1300n m 波段范围内对两波段光谱植被指数(比值植被指数R V I ㊁归一化植被指数N D V I 和差值植被指数R V I)进行两波段组合运算,并分析其与春小麦L W C 之间的相关性㊂从以MA T L A B 环境分别绘制的两波段P e a r s o n 相关性可视化热图(图3)看,3种光谱指数对春小麦L W C 的敏感波段区域比较相似,大致在近红外(800~1000n m )波段区域相关性表现突出,相关系数绝对值均在0.60以上(P <0.01),相关性敏感程度较单波段反射率明显提高㊂因此,可通过两波段光谱指数的运算,寻找更加敏感波段组合(表3)㊂㊃525㊃第4期尼加提㊃卡斯木等:基于三波段光谱指数的春小麦叶片水分含量估算表2 春小麦叶片含水量统计分析T a b l e 2 D e s c r i p t i v e s t a t i s t i c o f s p r i n g wh e a t l e a fw a t e r c o n t e n t 数据类型D a t a t y p e 数量N u m b e r 最大值M a x .v a l u e/%最小值M i n .v a l u e/%标准差S t a n d a r dd e v i a t i o n/%变异系数C V /%总数据集T o t a l d a t a s e t 15491.5464.943.564.58建模集M o d e l i n g s e t 12385.2664.943.154.06验证集V a l i d a t i o n s e t3191.5469.564.836.15图2 不同水分原始光谱反射率及其与L W C 之间的相关性F i g .2 O r i g i n a l s pe c t r a l r ef l e c t a n c e o f d i f f e r e n tm o i s t u r e a n d i t s c o r r e l a t i o nw i t hL W C 2.2.2 三波段组合植被指数与春小麦L W C 的相关性在400~1300n m 波段范围内对三波段光谱植被指数(3B I -1至3B I -7)进行三波段组合运算,分析其与春小麦L W C 之间的相关性,并以MA T L A B 环境分别绘制了三波段P e a r s o n 相关性可视化热图(图4)㊂分析发现,利用三波段组合运算构建的3D V I -1㊁3D V I -3㊁3D V I -7等对春小麦L W C 的相关系数范围为-0.42~0.38,敏感程度较弱;而3D V I -2㊁3D V I -4㊁3D V I -5等对春小麦L W C 的相关系数为-0.84~0.67,相关性较前3种指数明显提高;而在利用三波段组合运算构建的指数中,3D V I -6与L W C 之间的相关性最好,相关系数为-0.94~0.92㊂与单波段反射率㊁两波段植被指数相比,三波段植被指数对春小麦叶片水分含量敏感程度最高㊂表3是根据三波段P e a r s o n 相关性可视化热图统计了7种波段组合植被指数的最佳段组合㊂2.3 模型建立与验证虽然原始反射率㊁两波段植被指数和三波段植被指数与春小麦L W C 之间的相关性存在一定的差异性,但为了比较建模效果,3种类型的数据均参与建模过程㊂其中,原始光谱数据通过显著性检验结果来确定敏感波段范围(波长769~924n m 对应的154个反射率信息);两波段植被指数的选取则以最佳波段组合形式来确定(D V I 1046,1057㊁R V I 1272,1279㊁N D V I 1272,1279);三波段植被指数则选取相关性系数绝对值满足|r |ȡ0.80且通过0.01显著性水平检验的对象(3B I -51075,1095,1085㊁3B I -61100,400,1097)㊂利用3种机器学习算法(K N N ㊁S V R ㊁A N N )基于3种数据分别构建春小麦L W C 估算模型㊂对比分析发现,在训练集上,利用原始光谱数据的三种算法建模r 2分别为0.41㊁0.25和0.19,模型拟合能力较低;而利用两波段或三波段植被指数的建模r 2明显提高,其中三波段植被指数的建模r 2分别为0.86㊁0.67和0.64㊂利用三波段植被指数建模的R M S E 明显降低,R P D 值也显著提高㊂在验证集上三类数据模型的估算精度也表现出相同的规律㊂这说明通过波段组合筛选的最佳参数不仅可以减少建模参数的数量,而且能够挖掘高光谱数据的隐含信息,提高模型估算精度㊂三种算法中,K N N 算法的建模效果与估算能力均最好,而A N N 算法最弱㊂为更好比较不同估算能力模型的预测能力和㊃625㊃麦 类 作 物 学 报 第44卷A :D V I ;B :N D V I ;C :R V I .图3 春小麦L W C 与3种波段组合植被指数的相关性F i g .3 C o r r e l a t i o nb e t w e e n l e a fw a t e r c o n t e n t o f s p r i n g w h e a t a n d v e ge t a t i o n i n d e x of t w ob a n d s 表3 三波段植被指数的最佳三波段组合T a b l e 3 B e s t t h r e e b a n d c o m b i n a t i o no f 3Dv e ge t a t i o n i n d e x 类型T y p e 植被指数V e g e t a t i o n i n d e x 公式F o r m u l a两波段指数2B I比值植被指数R V IR 1272/R 1279归一化植被指数N D V I (R 1272-R 1279)/(R 1272+R 1279)差值植被指数D V IR 1046-R 1057三波段指数3B I3B I -1R 405/(R 710ˑR 885)3B I -2R 875/(R 865+R 893)3B I -3(R 765-R 782)/(R 782+R 685)3B I -4(R 665-R 1095)/(R 1095-R 660)3B I -5(R 1075+R 1095)/R 10853B I -6(R 1100-R 400)/[(R 1100-R 400)-(R 400-R 1097)]3B I -7(R 850-R 880)-(R 880-R 890)效果,制作验证值与估算值之间的散点绘图㊂图5A 是估算能力最弱的A N N 模型,图5B 是具有一定估算能力的K N N 模型,也是该研究的最佳模型㊂两个小图对比发现,基于原始光谱数据的A N N 模型中预测结果比较分散,效果不佳,而基于三波段植被指数的K N N 模型预测效果较好,预测值与实测值误差较小,二者接近1ʒ1线,其r 2=0.83,R M S E =2.14%,R P D=2.31(表4)㊂3 讨论春小麦是中国不可缺少的粮食作物㊂作物叶片水分含量除受叶面积大小㊁蒸腾速率㊁作物布㊃725㊃第4期尼加提㊃卡斯木等:基于三波段光谱指数的春小麦叶片水分含量估算图4 春小麦叶片含水量与7种波段组合植被指数的相关性F i g .4 C o r r e l a t i o nb e t w e e n l e a fw a t e r c o n t e n t o f s p r i n g w h e a t a n d v e ge t a t i o n i n d e x of t h r e e b a n d s ㊃825㊃麦 类 作 物 学 报 第44卷表4 春小麦叶片水分含量建模与验证精度T a b l e 4 M o d e l i n g a n d v e r i f i c a t i o no f l e a fw a t e r c o n t e n t o f s p r i n g wh e a t 类型T y pe 变量V a r i a b l e 模型M o d e l 训练集T r a i n i n g se t r2RM S E /%验证集T e s t i n g se t r2R M S E /%R P D 原始光谱数据O r i g i n a l s p e c t r a l d a t a 波长(769~924n m )对应的154个反射率K N N 0.414.060.325.031.61S V R0.255.210.215.621.50A N N 0.195.390.116.071.33两波段植被指数2B I V e g e t a t i o n i n d e xo f 2B I D V I (1046,1057)K N N0.672.560.642.352.01R V I (1272,1279)S V R 0.453.470.404.231.88N D V I (1272,1279)A N N0.394.210.284.861.76三波段植被指数3B I V e ge t a t i o n i n d e xof 3B I 3B I -5(1075,1095,1085)3B I -6(1100,400,1097)K N N 0.861.930.832.142.31S V R0.672.380.612.622.11A N N0.643.210.583.441.98图5 不同估算能力模型的验证值与估算值之间散点绘图F i g .5 S c a t t e r p l o t b e t w e e nv e r i f i c a t i o nv a l u e s a n d e s t i m a t e d v a l u e s o f d i f f e r e n t e s t i m a t i o n c a p a b i l i t y mo d e l s 局等因素影响外,还随着天气与地面温度条件的变化而变化[27]㊂因此,如何实现对作物叶片水分含量的快速㊁精准估算,一直是作物长势监测急需解决的问题㊂作物含水量遥感监测与传统测定方法相比,可无接触获取观测数据,并减少对作物的破坏㊂遥感技术主要是通过不同波长对物体反射的辐射能量差异性,来获取敏感波段特征㊂目前,诸多研究通过数学的方法对高光谱数据进行不同的预处理,并进行多种植被指数的计算,进而采用统计学分析方法筛选敏感波段和植被指数,同时结合不同的算法构建小麦叶片含水量的估算模型㊂高光谱的数据量大㊁连续性强,不同植被指数也具有各自的特点[18]㊂以往研究对高光谱植被指数的波段优化计算,尤其是对不同维度光谱波段反射率有效组合的筛选较少㊂本研究基于不同叶片水分含量的春小麦冠层反射波谱特征,分析多维度数据对春小麦叶片水分含量的敏感性,借助3种机器学习算法构建了春小麦抽穗期叶片水分含量估算模型㊂从光谱对春小麦叶片水分含量的响应看,在可见光和近红外波段范围,春小麦冠层光谱反射率随着叶片水分的不同呈现明显的差异㊂这与叶绿体性状随着叶片水分含量的降低而变化有关[28-29]㊂本研究通过比较单波段反射率㊁两波段植被指数和三波段植被指数对春小麦叶片水分含量的敏感性,寻求有效的模型估算参数;两波段和三波段植被指数对水分含量的敏感性优于单波段反射率,其原因是光谱植被指数是将简单的单波段反射信息转变为相对复杂的自由组合波段信息,可以增加光谱信息的负载量及波段之间的差异,降低外界因素的影响,使信息量达到最大化[30]㊂本研究分析发现,用单一特征波段反射率构建模型,虽然自变量结构简单,但很难避免光谱信息的损失,存在一定的局限性;此结果与胡珍珠[31]㊁L e e 等[32]和热依拉㊃艾合买提等[18]的研究结论一致㊂利用以两波段和三波段植被指数作为模型变量,再利用人工神经网络(A N N )㊁K 近邻(K N N )和支持向量回归(S V R )构建估算模型,㊃925㊃第4期尼加提㊃卡斯木等:基于三波段光谱指数的春小麦叶片水分含量估算结果表明,K N N的建模精度优于A N N和S V R㊂在诸多研究中,经常假设自变量和因变量呈线性关联而构建回归模型,但实际上该条件较难满足㊂如陈晓凯等[33]研究表明,最优窄波段植被指数与目标参数通常表现为非线性关系㊂本研究中,K 近邻算法的非线性拟合效果最佳进一步证实了以上观点㊂本研究表采用任意波段组合构建的三波段光谱指数显著提高了对目标物的敏感程度,且利用K近邻算法提升了模型的估算精度和稳定性㊂作物不同生育时期叶片长势及大小具有一定的差异,叶片光合作用也在变化㊂因此,不同时期用于模型建立的参数可能会不同㊂本研究的数据局限于春小麦抽穗期,三波段光谱指数在小麦不同生育时期最佳波段组合计算以及估算模型精度需要进一步验证和提升㊂参考文献:[1]李佛琳,李本逊,曹卫星.作物遥感估产的现状及其展望[J].云南农业大学学报(自然科学),2005,20(5):680.L IFL,L IBX,C A O W X.S t a t u s a n d p r o s p e c to f c r o p-y i e l d a s s e s sb y r e m o t e s e n s i n g[J].J o u r n a l o f Y u n n a nA g r i c u l t u r-a lU n i v e r s i t y(N a t u r a l S c i e n c e),2005,20(5):680.[2]胡运伟,彭凯,冷伟,等.农作物精细化遥感估产应用-以黑龙江省庆安县作物估产项目为例[J].卫星应用,2022(8):63. HU Y W,P E N GK,L E N G W,e t a l.T h e a p p l i c a t i o n o f p r e c i s e r e m o t e s e n s i n g t oe s t i m a t et h e y i e l do f t h ec r o p s i n Q i n g a n C o u n t y o fH e i l o n g j i a n g P r o v i n c e[J].S a t e l l i t eA p p l i c a t i o n, 2022(8):63.[3]周青青,胡永红,段建南.农作物遥感估产的方法综述[J].国土资源导刊,2014,11(5):101.Z H O U Q Q,HU Y H,D U A NJN.Ar e v i e wo f t h em e t h o d s t o e s t i m a t e t h e y i e l d o f t h e c r o p s b y r e m o t e s e n s i n g[J].L a n da n dR e s o u r c eH e r a l d,2014,11(5):101.[4]于君明,蓝朝桢,周艺,等.农作物含水量的遥感反演[J].武汉大学学报(信息科学版),2009,34(2):210.Y UJM,L A NCZ,Z H O U Y,e t a l.R e t r i e v a l o fw a t e r c o n t e n t o f c r o p b a s e do n r e m o t e s e n s i n g[J].G e o m a t i c s a n dI n f o r m a-t i o nS c i e n c e o f W u h a nU n i v e r s i t y(I n f o r m a t i o nS c i e n c eE d i-t i o n),2009,34(2):210.[5]史博,马祖凯,刘小军,等.小麦植株水分状况遥感监测研究进展与展望[J].麦类作物学报,2022,42(4):495.S H IB,MA Z K,L I U XJ,e ta l.P r o g r e s sa n d p r o s p e c t so f w h e a t p l a n tw a t e r s t a t u sm o n i t o r i n g b y r e m o t es e n s i n g[J]. J o u r n a l o f T r i t i c e a eC r o p s,2022,42(4):495.[6]杨丽.遥感技术在精准农业中的现状及发展趋势[J].农业与技术,2019,39(16):21.Y A N G L.S t a t u sa n dt r e n do fr e m o t es e n s i n g t e c h n o l o g y i n p r e c i s i o na g r i c u l t u r e[J].A g r i c u l t u r ea n dT e c h n o l o g y,2019,39(16):21.[7]陈智芳,宋妮,王景雷,等.基于高光谱遥感的冬小麦叶水势估算模型[J].中国农业科学,2017,50(5):871.C H E NZF,S O N G N,WA N GJL,e t a l.L e a fw a t e r p o t e n t i a l e s t i m a t i n g m o d e l s o fw i n t e rw h e a t b a s e do nh y p e r s p e c t r a l r e-m o t e s e n s i n g[J].S c i e n t i aA g r i c u l t u r aS i n i c a,2017,50(5): 871.[8]周永财.基于冠层光谱信息的无人机遥感诊断冬小麦水分胁迫模型[D].杨凌:西北农林科技大学,2021.Z H O U YC.U A Vr e m o t es e n s i n g d i a g n o s i sm o d e l so fw a t e r s t r e s s o fw i n t e rw h e a t b a s e do nc a n o p y s p e c t r u mi n f o r m a t i o n[D].Y a n g l i n g:N o r t h w e s tA&FU n i v e r s i t y,2021.[9]杨硕,王世新,周艺,等.叶绿素反演三波段模型的多时相应用[J].遥感信息,2010(5):98.Y A N GS,WA N GSX,Z HO U Y,e t a l.M u l t i-t e m p o r a l a p p l i-c a t i o n so fc h l o r o p h y l l-ae s t i m a t i o n u s i n g t h r e e-b a n d m o d e l [J].R e m o t eS e n s i n g I n f o r m a t i o n,2010(5):98. [10]C H E N G M H,P E N U E L A S J,M C C A B E M F,e t a l.C o m b i-n i n g m u l t i-i n d i c a t o r s w i t h m a c h i n e-l e a r n i n g a l g o r i t h m sf o r m a i z e y i e l de a r l yp r e d i c t i o n a t t h e c o u n t y-l e v e l i nC h i n a[J].A g r i c u l t u r a l a n dF o r e s tM e t e o r o l o g y,2022,323:109057.[11]白丽,王进,蒋桂英.高光谱分辨率遥感技术在农作物估产中的研究现状与发展趋势[J].现代化农业,2006(1):30.B A IL,WA N GJ,J I A N G G Y.R e s e a r c hs t a t u s a n dd e v e l o p-m e n t t r e n do fh y p e r s p e c t r a l r e s o l u t i o nr e m o t es e n s i n g t e c h-n o l o g y i nc r o p e s t i m a t i o n[J].M o d e r n i z i n g A g r i c u l t u r e, 2006(1):30.[12]田庆久,宫鹏,赵春江,等.用光谱反射率诊断小麦水分状况的可行性分析[J].科学通报,2000,45(24):2645.T I A N QJ,G O N GP,Z H A OC J,e t a l.F e a s i b i l i t y a n a l y s i s o f u s i n g s p e c t r a lr e f l e c t a n c et o d i a g n o s e w h e a t w a t e rs t a t u s [J].C h i n e s eS c i e n c eB u l l e t i n,2000,45(24):2645. [13]王纪华,赵春江,郭晓维,等.用光谱反射率诊断小麦叶片水分状况的研究[J].中国农业科学,200,34(1):104.WA N GJH,Z HA OCJ,G U O X W,e t a l.S t u d y o n t h ew a-t e r s t a t u s o f t h ew h e a t l e a v e sd i a g n o s e db y t h es p e c t r a l r e-f l e c t a n c e[J].S c i e n t i aAg r i c u l t u r aS i n i c a,2001,34(1):104.[14]张佳华,郭文娟,姚凤梅.植被水分遥感监测模型的研究[J].应用基础与工程科学学报,2007,15(1):45.Z HA N GJH,G U O WJ,Y A OF M.T h e s t u d y o n v e g e t a t i o n w a t e rc o n t e n te s t i m a t i n g m o d e lb a s e d o n r e m o t es e n s i n g t e c h n i q u e[J].J o u r n a lo f B a s i cS c i e n c ea n d E n g i n e e r i n g, 2007,15(1):45.[15]刘小军,田永超,姚霞,等.基于高光谱的水稻叶片含水量监测研究[J].中国农业科学,2012,45(3):435.L I U XJ,T I A N Y C,Y A O X,e ta l.M o n i t o r i n g l e a fw a t e r c o n t e n t b a s e do nh y p e r s p e c t r a l i n r i c e[J].S c i e n t i aA g r i c u l-t u r a l S i n i c a,2012,45(03):435.[16]王小平.基于高光谱的半干旱区作物水分胁迫及其生理参数监测模型研究[D].兰州:兰州大学,2014.WA N G XP.S t u d y o n t h e c r o p w a t e r s t r e s s a n d t h e p h y s i o-l o g i c a l p a r a m e t e r sm o n i t o r i n g m o d e l b a s e d o n c a n o p y h y p e r-㊃035㊃麦类作物学报第44卷s p e c t r a l r e f l e c t a n c e d a t a i n s e m i-a r i d r e g i o n,n o r t h w e s t C h i n a[D].L a n z h o u:L a n z h o uU n i v e r s i t y,2014.[17]李天胜,崔静,王海江,等.基于高光谱特征波长的冬小麦水分含量估测模型[J].新疆农业科学,2019,56(10):1772. L ITS,C U I J,WA N G HJ,e t a l.S t u d y o nw a t e r c o n t e n t e s-t i m a t i o nm o d e l o fw i n t e rw h e a t b a s e d o nh y p e r s p e c t r a l c h a r-a c t e r i s t i cw a v e l e n g t h[J].X i n j i a n g A g r i c u l t u r a lS c i e n c e s, 2019,56(10):1772.[18]吾木提㊃艾山江,买买提㊃沙吾提,尼加提㊃卡斯木,等.基于灰色关联法的春小麦叶片含水量高光谱估测模型研究[J].光谱学与光谱分析,2018,38(12):259.UMU T H A S A N,MAMA TS AWU T,N I J A TK A S I M,e t a l.H y p e r s p e c t r a le s t i m a t i o n m o d e lo fl e a f w a t e rc o n t e n ti n s p r i n g w h e a t b a s e do n g r e y r e l a t i o n a l a n a l y s i s[J].S p e c t r o s-c o p y a n dS p e c t r a lA n a l y s i s,2018,38(12):259.[19]热依拉㊃艾合买提,吾木提㊃艾山江,阿不都艾尼㊃阿不里,等.基于机器学习的春小麦叶片水分含量高光谱估算[J].麦类作物学报,2022,42(5):640.R A H I L A A HMA T,UMU T H A S A N,A B D U G H E N I A B L I Z,e t a l.H y p e r s p e c t r a l e s t i m a t i o no f s p r i n g w h e a t l e a f w a t e r c o n t e n tb a s e do n m a c h i n el e a r n i n g[J].J o u r n a lo f T r i t i c e a eC r o p,2022,42(5):640.[20]B A U S C H W C,H A L V O R S O N A D,C I P R AJ.Q u i c k-b i r d s a t e l l i t e a n d g r o u n d-b a s e d m u l t i s p e c t r a ld a t a c o r r e l a t i o n s w i t ha g r o n o m i c p a r a m e t e r s o f i r r i g a t e dm a i z e g r o w n i n s m a l l p l o t s[J].B i o s y s t e m sE n g i n e e r i n g,2008,101(3):306. [21]WA N GL,HU N TE RJ R,J O H NJQ,e ta l.T o w a r d se s t i-m a t i o no fc a n o p y f o l i a rb i o m a s s w i t h s p e c t r a lr e f l e c t a n c e m e a s u r e m e n t s[J].R e m o t eS e n s i n g o f E n v i r o n m e n t,2011, 115(3):836.[22]I N O U EY,S A K A I Y AE,Z HU Y,e t a l.D i a g n o s t i cm a p p i n g o fc a n o p y n i t r o g e nc o n t e n ti nr i c eb a s e d o n h y p e r s p e c t r a l m e a s u r e m e n t s[J].R e m o t eS e n s i n g o f E n v i r o n m e n t,2012, 126:210.[23]C O R T IM,G A L L I N AP M,C A V A L L ID,e t a l.H y p e r s p e c-t r a l i m a g i n g o f s p i n a c h c a n o p y u n d e r c o m b i n e dw a t e r a n dn i-t r o g e ns t r e s s t oe s t i m a t eb i o m a s s,w a t e r,a n dn i t r o g e nc o n-t e n t[J].B i o s y s t e m sE n g i n e e r i n g,2017,158:38. [24]姚付启,张振华,杨润亚,等.基于红边参数的植被叶绿素含量高光谱估算模型[J].农业工程学报,2009,25(13):123. Y A OFQ,Z HA N G Z H,Y A N G R Y,e ta l.H y p e r s p e c t r a l m o d e l s f o re s t i m a t i n g v e g e t a t i o nc h l o r o p h y l lc o n t e n tb a s e d o n r e d e d g e p a r a m e t e r[J].T r a n s a c t i o n s o f t h e C S A E,2009,25(13):123.[25]王新颖,隽志才,吴庆妍,等.K N N算法的数据优化策略[J].吉林大学学报(信息科学版),2010,28(3):94.WA N G X Y,J U A N ZC,WU Q Y,e ta l.D a t ao p t i m i z a t i o n s t r a t e g y o fK N Na l g o r i t h m[J].J o u r n a l o f J i l i nU n i v e r s i t y(I n f o r m a t i o nS c i e n c eE d i t i o n),2010,28(3):94.[26]郑立华,李民赞,安晓飞,等.基于近红外光谱和支持向量机的土壤参数预测[J].农业工程学报,2010,26(14):81.Z H E N GLH,L IMZ,A NXF,e t a l.F o r e c a s t i n g s o i l p a r a m-e t e r sb a s e d o n N I R a n d S VM[J].T r a n s a c t i o n so f t h eC S A E,2010,26(14):81.[27]肖璐洁,杨武德,冯美臣,等.干旱胁迫对冬小麦冠层光谱及红边参数的影响[J].山西农业大学学报(自然科学版), 2020,40(5):92.X I A O L J,Y A N G W D,F E N G M C,e t a l.E f f e c t s o f d r o u g h t s t r e s s o nc a n o p y s p e c t r aa n dr e de d g e p a r a m e t e r so fw i n t e r w h e a t[J].J o u r n a l o f S h a n x i A g r i c u l t u r a l U n i v e r s i t y (N a t u r a l S c i e n c eE d i t i o n),2020,40(5):92. [28]J O H N S O NLF,H L A V K ACA,P E T E R S O N DL.M u l t i v a-r i a t e a n a l y s i s o fA V I R I Sd a t a f o r c a n o p y b i o c h e m i c a l e s t i m a-t i o na l o n g t h e o r e g o n t r a n s e c t[J].R e m o t eS e n s i n g o f E n v i-r o n m e n t,1994,47(2):216.[29]S U P L I C K-P L O E N S E M R,A L S H AMMA R YSF,Q I A N Y L.S p e c t r a l r e f l e c t a n c er e s p o n s eo f t h r e et u r f g r a s s e st ol e a fd e h y d r a t i o n[J].A s i a nJ o u r n a l o f P l a n tS c i e n c e s,2011,10(1):67.[30]C H E N GT,R I V A R DB,AS A N C H E Z-A Z O F E I F A.S p e c t r o-s c o p i c d e t e r m i n a t i o no f l e a fw a t e rc o n t e n tu s i n g c o n t i n u o u s w a v e l e ta n a l y s i s[J].R e m o t e S e n s i n g o f E n v i r o n m e n t, 2010,115(2):659.[31]胡珍珠,潘存德,潘鑫,等.基于光谱水分指数的核桃叶片含水量估算模型[J].林业科学,2016,52(12):39. HUZZ,P A NCD,P A NX,e t a l.E s t i m a t i o nm o d e l s f o rw a-t e r c o n t e n t o fw a l n u t l e a v e s b a s e d o n s p e c t r a lm o i s t u r e i n d e x [J].S c i e n t i aS i l v a eS i n i c a e,2016,52(12):39. [32]L E EKS,C O H E N W B,K E N N E D Y RE,e t a l.H y p e r s p e c-t r a l v e r s u sm u l t i s p e c t r a l d a t a f o r e s t i m a t i n g l e a f a r e a i n d e x i nf o u r d i f f e r e n t b i o m e s[J].E l s e v i e r,2004,99(3):508.[33]陈晓凯,李粉玲,王玉娜,等.无人机高光谱遥感估算冬小麦叶面积指数[J].农业工程学报,2020,36(22):40.C H E N X K,L I FL,WA N GY N,e t a l.E s t i m a t i o n o fw i n t e r w h e a t l e a fa r e a i n d e xb a s e do n U A V h y p e r s p e c t r a l r e m o t e s e n s i n g[J].T r a n s a c t i o n s o f t h eC S A E,2020,36(22):40.㊃135㊃第4期尼加提㊃卡斯木等:基于三波段光谱指数的春小麦叶片水分含量估算。